【統計】「どっちが面白い？」の主観評価を客観スコアに変える技術（Bradley-Terryモデル）

私たちの研究室

https://nisk.doshisha.ac.jp/

アドベントカレンダー20日目

https://nislab-advendcallender-2025.vercel.app/

背景

コンテストの審査で、「AとB、どっちが優れているか？」という一対比較（Paired Comparison）のデータ扱うことがあります。これらを集計してランキングを作る際、単なる「勝ち数」ではなく、統計的に妥当なスコアを算出できるのがBradley-Terryモデルです。
今回は、このモデルの数理的な仕組みと、そのパラメータを推定するための最尤推定法について解説します。

1. モデルの定義：強さをどう定義するか

Bradley-Terryモデルでは、比較対象（プレイヤーや作品）$i$ が持つ「真の実力」を $\theta_i$ というパラメータで表します。
このとき、プレイヤー $i$ が プレイヤー $j$ に勝つ確率 $P(i > j)$ は、以下のロジスティック関数（シグモイド関数）で定義されます。

$$P(i > j) = \frac{1}{1 + e^{-(\theta_i - \theta_j)}}$$

この数式は、以下の特徴を持ちます。

1. 実力差が勝率になる: 勝敗は、2者のスコアの差 $\theta_i - \theta_j$ だけで決まります。
2. 差が0なら五分五分: 実力が同じ（$\theta_i = \theta_j$）なら、分母が $1+1=2$ となり、確率は $0.5$（50%）になります。
3. 差が開くと確率は1または0に近づく: 実力差が大きくなると、勝率は限りなく100%に近づきます。
   つまり、Bradley-Terryモデルとは「勝敗データを使って、この未知のパラメータ $\theta$（実力スコア）を逆算する問題」と言い換えることができます。

2. 推定の仕組み：最尤推定法 (MLE)

では、手元にある勝敗データ（結果）から、どうやって $\theta$ を求めるのでしょうか。ここで使われるのが最尤推定法（Maximum Likelihood Estimation)です。
これは「手元のデータが観測される確率（尤度）が最大になるような $\theta$ の組み合わせを探す」という手法です。

尤度関数（Likelihood Function）の構築

例えば、以下のようなデータが得られたとします。
• $i$ が $j$ に勝った（確率 $P_{ij}$）
• $k$ が $i$ に勝った（確率 $P_{ki}$）
この全事象が同時に起こる確率（尤度 $L$）は、個々の確率の掛け算になります。

$$L(\theta) = \prod_{すべての試合} P(\text{勝者} > \text{敗者})$$

しかし、確率（0〜1の値）を何百回も掛け算すると、値が小さくなりすぎてコンピュータが計算できません（アンダーフロー）。そこで、両辺の対数を取って「掛け算」を「足し算」に変換します。これが対数尤度関数（Log-Likelihood Function）です。

$$\log L(\theta) = \sum_{すべての試合} \log P(\text{勝者} > \text{敗者})$$

最適化問題への帰着

この $\log L(\theta)$ が最大になる地点（山の頂上）を探すことがゴールです。
具体的には、数理最適化アルゴリズム（BFGS法など）を用いて、この関数を最大化する $\theta_1, \theta_2, ..., \theta_n$ のセットを計算機に探索させます。
「今のスコア設定だと、この試合結果になる確率は低いな…じゃあスコアを修正しよう」という試行錯誤を、微分を使って高速に行うイメージです。

3. 実践上の課題：全勝・全敗問題と正則化

理論上は上記の最尤推定で解けますが、現実のデータ（特にデータ数が少ない場合）では問題が起きます。
例えば、「5戦全勝」のプレイヤーがいた場合、モデルは「この人は負ける確率が0だ」と判断し、スコア $\theta$ を無限大（$+ \infty$）にしようとします。これが計算の発散です。
これを防ぐために、実装時には正則化項（Regularization Term）を加えます。

$$\text{目的関数} = -\log L(\theta) + \lambda \sum \theta_i^2$$

後ろの $\lambda \sum \theta_i^2$ がペナルティとして働きます。「スコアを極端に大きくしすぎるとペナルティを与えるよ」という制約を入れることで、全勝データが含まれていても計算が安定し、妥当なスコアが得られるようになります。

まとめ

• Bradley-Terryモデル: スコア差から勝率を算出する数理モデル。
• 最尤推定法: 「現実の勝敗データ」が最も起こりうるようなスコアを逆算する手法。
• 正則化: データが極端な場合（全勝など）に計算が破綻しないようにする現実的な工夫。
この一連の処理を経ることで、コンテストのような「まばらで主観的な比較データ」からも、客観的なランキングを作り出すことが可能になります。